基于小波支持向量机的VBR视频流量预测

：VBR视频流量具有时变性、突发性和非线性等变化特点,为了提高VBR视频流量的预测精度,提出一种小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试,并与支持向量机、小波神经网络进行对比。仿真结果表明,相对于其它预测模型,WSVM模型提高了VBR视频流量预测精度,能够更加准确反映VBR视频流量的复杂变化规律。     

小波消噪和蚁群优化支持向量机的网络流量预测模型

针对当前网络流量预测模型精度低的缺点,本文提出了一种新型的小波消噪和蚁群算法优化支持向量机的网络流量预测模型。首先采用小波阈值法对网络流量进行消噪处理;然后将网络流量输入到支持向量机中学习,并采用蚁群算法对支持向量机的参数进行优化,建立网络流量预测模型,最后采用实际网络流量数据进行仿真实验,结果表明,相对于其它网络流量预测模型,本文模型提高了网络流量的预测精度,具有更好的鲁棒性。     

遗传算法优化支持向量机的交通流量预测

交通流量预测是智能交通系统中的关键技术,针对当前交通流量预测模型存在不足,提出一种遗传算法优化支持向量机的交通流量预测模型。首先收集交通流量历史数据,并基于混沌理想对其进行相空间重构,然后将训练样本输入到支持向量机中进行学习,并采用遗传算法优化支持向量机参数,建立交通流量预测模型,最后采用测试样本对模型的性能进行测试。结果表明,相对于经典交通流量预测模型,本文模型可以更加准确描述交通流量预测复杂的变化趋势,提高了交通流量的单步和多步预测精度。     

基于小波分解和SVM的城市大气污染浓度预测

使用一种结合小波分解和支持向量机的方法建立城市大气污染物浓度预测模型。首先将大气污染物浓度数据序列小波分解和重构为不同频段的分解序列,然后对各分解序列使用不同的模型进行预测,最后将各分解序列的预测结果合成为浓度的最终预测结果。实验结果表明,该模型的预测精度优于RBF神经网络模型及一般支持向量机模型。     

支持向量机的装备关重件需求预测

关重件是影响装备战备完好性的重要因素,准确的需求预测可以极大地提高装备的保障能力。基于支持向量机预测方法,构建了关重件需求时间序列预测模型,建立了预测需求是否发生和需求量准确度的二维预测结果误差评价机制,预测结果表明支持向量机的需求预测方法精度较高。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

自适应遗传算法优化支持向量回归的水质预测

文中提出了一种动态改进的遗传算法和支持向量回归机相耦合的水质预测方法,改进了传统遗传算法中交叉和变异概率固定的问题,尽可能避免陷入局部最优的问题。在对大理弥苴河水质进行大量实际监测的基础上,分别采用BP神经网络,遗传算法优化的支持向量回归机和自适应遗传算法优化的支持向量回归机3种模型的方法,建立了弥苴河水质高锰酸盐含量的的预测模型。通过数据预处理,筛选了60天的数据进行训练学习和测试。通过对三个模型的预测误差分析对比,可以得出自适应遗传算法优化支持向量回归的预测模型精度更高。     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

基于最小二乘支持向量机的短期负荷预测模型

支持向量机（SVM）是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。研究了支持向量机的拓展算法——最小二乘支持向量机（LSSVM）,并将其应用于电力系统短期负荷时间序列预测。通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSS-VM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。     

基于PSO优化支持向量机的煤层注水效果预测模型

开展煤层注水效果的精准化预测对于优化注水工艺过程、调整流程参数具有直接而显著的决定作用。作为非线性预测回归问题,煤层注水效果预测兼具小样本数据训练的特点,基于此,文章利用支持向量机小样本强泛化能力构建基于PSO优化支持向量机参数的煤层注水效果预测模型,通过对所获取样本数据的学习与训练过程,得到最优的支持向量机预测模型。实验结果显示:文章所提出的预测模型与传统的BP神经网络预测模型相比较具有明显的精度优势,可达到相对误差2.026%,对于指导煤层注水实际工程具有较强的应用价值。